在Tensorflow-lite中输入具有动态尺寸的图像

是的，您可以在TF-Lite中使用动态张量。之所以不能直接将形状设置为，[None, 128, None, 1]是因为通过这种方式，将来可以轻松支持更多语言。此外，它充分利用了静态内存分配方案。对于打算用于计算能力低的小型设备的框架来说，这是一个明智的设计选择。以下是有关如何动态设置张量大小的步骤：

0.冻结

似乎您正在从冻结的GraphDef（即*.pb文件）进行转换。假设冻结的模型具有输入形状[None, 128, None, 1]。

1.转换步骤。

在此步骤中，将输入大小设置为模型可以接受的任何有效大小。例如：

tflite_convert \
  --graph_def_file='model.pb' \
  --output_file='model.tflite' \
  --input_shapes=1,128,80,1 \     # <-- here, you set an
                                  #     arbitrary valid shape
  --input_arrays='input' \         
  --output_arrays='Softmax'

2.推论步骤

诀窍是interpreter::resize_tensor_input(...)在推理过程中实时使用TF-Lite API 的功能。我将提供它的python实现。Java和C ++实现应相同（因为它们具有相似的API）：

from tensorflow.contrib.lite.python import interpreter

# Load the *.tflite model and get input details
model = Interpreter(model_path='model.tflite')
input_details = model.get_input_details()

# Your network currently has an input shape (1, 128, 80 , 1),
# but suppose you need the input size to be (2, 128, 200, 1).
model.resize_tensor_input(
    input_details[0]['index'], (2, 128, 200, 1))
model.allocate_tensors()

而已。现在(2, 128, 200, 1)，只要您的网络体系结构允许输入这样的形状，就可以将该模型用于具有shape的图像。请注意，model.allocate_tensors()每次进行此类重塑时都必须做，所以效率很低。这是强烈建议，以避免在程序中使用此功能太多。